Investigadoras de la Universitat predicen la tendencia del nivel del mar en costas de todo el planeta

07/04/2021

Investigadoras del Image Processing Laboratory (IPL) de la Universitat de València han conseguido modelizar, mediante aprendizaje automático, los cambios en la variabilidad del nivel del mar en varias regiones costeras de los océanos Pacífico, Índico y Atlántico, y realizar predicciones razonablemente precisas de la tendencia a corto plazo en cada zona. El estudio, especialmente útil en materia de protección de costas, aparece publicado en Nature Scientific Reports.

Todas las cuencas oceánicas han experimentado un calentamiento significativo y un aumento del nivel del mar, en las últimas décadas, impulsados por el cambio climático. Sin embargo, existen importantes diferencias regionales, resultantes de distintos procesos en diferentes escalas de tiempo, como por ejemplo los asociados a cambios de temperatura por causas naturales.

Para interpretar y comprender mejor las variaciones del nivel del mar en las zonas costeras a nivel local, el equipo de Verónica Nieves, Investigadora Distinguida del Programa GenT en el Image Processing Laboratory (IPL) de la Universitat de València, ha desarrollado sofisticadas técnicas basadas en aprendizaje automático (machine learning) que explotan estimaciones de la temperatura marina, para modelizar la variabilidad del nivel del mar en zonas costeras, y la incertidumbre asociada a través de un rango de escalas temporales que van de meses a varios años.

El estudio publicado ahora en la revista Nature Scientific Reports también muestra que las relaciones físicas entre las variables de temperatura en las capas superiores de regiones de alta mar –o mar abierto– y las estimaciones del nivel del mar en los emplazamientos costeros de estas regiones se pueden usar en combinación con herramientas de machine learning para realizar predicciones razonablemente precisas de la tendencia del nivel del mar en cada región a corto plazo (uno o varios años).

Y concluyen que, a día de hoy, las variaciones a corto plazo del nivel del mar en las costas se ven influenciadas en gran medida por los procesos naturales que tienen lugar en las regiones de alta mar más cercanas a dicha costa, como son los cambios de temperatura en la columna de agua hasta los 700 metros de profundidad en alta mar, ligados a la variabilidad climática natural interna. Estos procesos se suman a otros efectos, como los asociados a las mareas altas o a las tormentas, entre otros.

“El clima es un sistema dinámico muy complejo que puede cambiar naturalmente de forma inesperada; y en este sentido, los métodos de aprendizaje automático pueden proporcionar una visión útil para interpretar datos que exhiben patrones no lineales complejos e identificar cambios futuros del nivel del mar”, comenta Verónica Nieves, primera autora del artículo y responsable del grupo AI4OCEANS, en el IPL, desde donde se lleva a cabo esta línea de investigación.“Nuestros modelos funcionan especialmente bien en las zonas costeras más influenciadas por la variabilidad climática interna, pero también son aplicables, en muchos lugares del planeta, a la evaluación de los patrones de subida y bajada del nivel del mar asociados a los cambios de temperatura”, añade Cristina Radín, miembro del equipo con el que, además, ha colaborado el físico y catedrático de Ingeniería Electrónica Gustau Camps-Valls.

Se trata del primer estudio que utiliza herramientas de Inteligencia Artificial para realizar este tipo de predicciones en océanos. Modelizar y anticipar los cambios del nivel del mar en los próximos años es crucial para la toma de decisiones a corto plazo y la planificación estratégica de las medidas de protección de las costas.

El equipo ha desarrollado un mapa interactivo, como herramienta de apoyo para la evaluación del estado del clima en los océanos, que permite visualizar estos cambios.

Referencia:

Predicting regional coastal sea level changes with machine learning. Veronica Nieves, Cristina Radin, and Gustau Camps-Valls. Image Processing Laboratory, University of Valencia, Valencia, Spain.

https://www.nature.com/articles/s41598-021-87460-z